深圳建设资源交易服务中心网站离石网站建设

深圳建设资源交易服务中心网站,离石网站建设,潍坊网站制作人才招聘,产品毕业设计网站建设一、引言 为什么同样是做 RAG#xff0c;有的效果拔群#xff0c;有的却差强人意#xff1f;分块#xff08;Chunking#xff09;策略可能是那个被你忽略的关键环节。 什么是Chunk#xff1f; AI中的分块是指将大型文档分割成称为“chunk”的较小片段。这些片段可以是…一、引言为什么同样是做 RAG有的效果拔群有的却差强人意分块Chunking策略可能是那个被你忽略的关键环节。什么是ChunkAI中的分块是指将大型文档分割成称为“chunk”的较小片段。这些片段可以是段落、句子、词组或受token限制的片段这使得模型能更轻松地仅搜索和检索所需内容。这种分块技术对于优化检索增强生成RAG的性能至关重要。为什么在RAG中需要Chunk在RAG中检索到正确的信息是关键但当知识库非常庞大可能包含数百万字或文档时使用有效的RAG分块技术对于从这类大型数据集中高效检索相关信息就变得至关重要了。举个例子你有一个服务QPS达到千万级还要在30ms内返回结果这时一定会搞一组本地缓存的集群。把你的数据按规则初始化到缓存里就是对应的RAG的Chunk操作。Chunk也是RAG ETL Pipeline中Transform环节的核心组件之一可以比喻成我们切蛋糕在切之前就已经想好要分几块了。让我看看“切蛋糕”有几种手法。二、主流RAG的分块策略详解2.1.固定大小分块策略•核心思想根据预定义的字符数或 token 数将文本分成统一的块。•工作方式例如固定每块 500 tokens。引入 “重叠区”Overlap来缓解上下文断裂问题。•优点实现简单处理速度快不依赖复杂模型。•缺点可能破坏语义完整性如拆分句子或段落对结构差异大的文档适应性差。2.2.语义分块策略•核心思想根据文本的语义相似度而非物理结构进行分块确保每个 Chunk 内部主题高度相关。•工作方式通常通过计算句子 Embedding 的余弦相似度当相似度低于某个阈值时进行分割。•优点能创建逻辑上最连贯的 Chunk对后续检索和生成质量提升显著。特别适用于处理主题跳跃较多的文档。•缺点计算成本高需要调用 Embedding 模型处理速度较慢。2.3.基于递归分块策略•核心思想一种更智能的组合式策略按优先级顺序尝试多种分隔符进行递归分割。•工作方式例如优先按段落分割如果段落仍过大再按句子分割最后才按字符数强制分割。•优点尽可能保留高级别的语义结构段落 句子 ...适应性强能处理多种类型文档。•缺点实现稍复杂性能开销高于纯固定大小分块。2.4.基于文档的分块策略•核心思想利用文档本身的元数据和结构信息如标题层级、表格、图片说明、PDF 页码等进行智能分割。•工作方式例如将一个一级标题下的所有内容包括子标题和段落作为一个大 Chunk或者将每个表格单独作为一个 Chunk。•优点完美贴合特定类型文档如法律合同、学术论文、报告的逻辑结构信息组织性强。•缺点依赖高质量的文档解析和结构识别通用性相对较弱。2.5.智能体分块策略•核心思想这是一种更前沿的动态策略根据 Agent 将要执行的具体任务或目标来决定如何分块。•工作方式Agent 会先理解任务然后自适应地从文档中提取和组织最相关的信息块。例如任务是 “总结”则可能提取关键论点任务是 “回答特定问题”则可能精准定位相关证据。•优点灵活性和针对性极高能最大化任务效果。•缺点实现复杂通常需要强大的规划和推理能力目前还不普及。2.6.基于句子的分块策略•核心思想将文本分割成完整的句子确保每个 Chunk 都包含一个或多个完整的思想。•工作方式使用 NLP 工具如 NLTK, SpaCy识别句子边界然后可以将几个连续的句子组合成一个 Chunk。•优点保证了基本的语义单元完整避免了 “半句话” 的问题。•缺点句子长度差异仍可能导致 Chunk 大小不均多个句子组合时如何确定最佳组合仍需策略。2.7.基于段落的分块策略•核心思想基于段落的分块通过提示符截取将整个文本划分成多个段落。这种方式同样适合结构清晰的文档。•工作方式例如保险条款、法律、论文、AB实验报告等文档。•优点优点自然分段语义完整。•缺点缺点自然是段落长度不一可能超token限制。其他除以上7种外还有很多大神们总结的切块方法论如按照token、按照层级按照excel sheet页按照pdf页码等。都是针对特定场景。下面我结合实战和中文的切块的方法论做一下总结。三、分块策略的选择与实战优化3.1. 没有“万能”的分块策略现实中不存在一种“one-for-all” 的数据读取和分块方法特别像是 PDF 和 Word 这类复杂格式的文档。比较流行的方案是实用DeepDocOCR、TSR、DLR所以实际中应根据业务制作不同的模板。那么评估Chunk的参数和指标有哪些呢 指标就是Precision和Recall详细看表格参考值作用chunk_size512-10241.切的越小chunks数越多所以chunk_size跟你的top-k值有关。在 Recall 差不多的情況下可以选Precision 高的比较有效率。 2.如果是能力強的大模型Precision 低一點也没问题。 3.如果是能力弱的小模型容易被噪声影响Precision 太低不好因此切块需要调小。 4.为什么默认值是512与主流预训练语言模型的上下文窗口大小如BERT的512保持兼容。separator/n分隔符overlap10%-15%通常重叠块长度在10%-20%之间Chunk参数与指标我设计了两套策略512/10%和2500/25 单位token通用策略512/10%最大上下文策略2500/25chunk_size512个token约450多个汉字是相对中等的切块大小。这个大小足以容纳完整的剧组或段落。大多情况可以在“准确率”与“上下文完整性”之间取的平衡chunk_size2500个token相当于2000多个汉字属于非常大的文本块了。这个设定的背后逻辑是利用现在的大模型GPT-5.1、gemini 3的超大token。当任务是进行长篇文件的深度思考推理时可以提供丰富的信息给到模型从而获得较高的Precision。overlap10%是比较中庸设定是业界普遍的建议能缓解边界切割问题。overlap10个左右汉字基本可以忽略了超大文本块被切割的几率相对较小。3.2.Chunk策略的选择我的方法论段落分块Paragraph Chunking句子分块Semantic Chunking递归分块Recursive Chunking语义分块Semantic Chunking。现在的RAG框架基本都是基于段落或句子来分块也都都支持\n。的递归分块。那从运营用户角度出发或者第一次切的时候如何傻瓜式操作呢RAGFlow交出了一份方案看一下它的分块核心算法四、方法论总结如何开始可以从512 tokens 搭配 10-15%的重叠率开始。如何优化调试参数多使用递归分块和句子分块语义分块还是不够优秀。如何测评上号 chunking_evaluation有和方法论 上号 CRUD-RAG 论文指出对于创意生成和保持文章连贯性的任务切分较大的块表现会更佳。我们在RAGas实验也得到了相同的答案。好了以上是我们的实践总结希望能帮到大家。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”